好友推荐算法

Ⅰ 抖音推荐好友根据什么

是根据通讯录的好友来推荐的。抖音做实名制的时候都需要绑定手机号，同时抖音还会访问你的手机sim卡信息、通讯录信息，推荐你可能认识的人，这是大数据时代下很容易做的一件事情。

而且现在抖音的算法还在不断的细化、调整和升级，以后对于人群画像的区分就更加细致了，大家就很轻松能够找到自己喜欢看的人。

Ⅱ 快手好友推荐是看过你的人吗

不是。好友推荐是根据通讯录、微信和好友的好友来推荐的。

快手是北京快手科技有限公司旗下的产品。快手的前身，叫“GIF快手”，诞生于2011年3月，最初是一款用来制作、分享GIF图片的手机应用。

2012年11月，快手从纯粹的工具应用转型为短视频社区，用于用户记录和分享生产、生活的平台。后来随着智能手机、平板电脑的普及和移动流量成本的下降，快手在2015年以后迎来市场。

在快手上，用户可以用照片和短视频记录自己的生活点滴，也可以通过直播与粉丝实时互动。快手的内容覆盖生活的方方面面，用户遍布全国各地。

在这里，人们能找到自己喜欢的内容，找到自己感兴趣的人，看到更真实有趣的世界，也可以让世界发现真实有趣的自己。

快手的推荐算法用一个简短版本说，算法核心是理解。包括理解内容的属性，理解人的属性，人和内容历史上的交互数据，然后通过一个模型，预估内容与用户之间匹配的程度。

Ⅲ 抖音新好友推荐根据什么逻辑

抖音新好友推荐根据三个逻辑，分别是：基础流量、叠加推荐、时间效应。

一、基础流量

抖音给每一个作品都提供了一个流量池，无论你是不是大号、作品质量如何。你之后的传播效果，就取决于你的作品在这个流量池里的表现。因此，我们要珍惜这个流量池，想办法让我们的作品在这个流量池中有突出的表现。

所以你比较看好的一些视频，即使它一开始没火，你也要持续去给它去做一些点赞评论，通过朋友圈去转发一下。有可能这个星期没有被推荐，但下个星期有可能就会被推荐。

Ⅳ 抖音可能认识的人是根据什么推荐的

抖音新好友推荐根据三个逻辑，分别是：基础流量、叠加推荐、时间效应。

一、基础流量

抖音给每一个作品都提供了一个流量池，无论你是不是大号、作品质量如何。你之后的传播效果，就取决于你的作品在这个流量池里的表现。因此，我们要珍惜这个流量池，想办法让我们的作品在这个流量池中有突出的表现。

抖音评价你在流量池中的表现，会参照4个标准：点赞量、评论量、转发量、完播率。知道了这4个标准，我们就要在一开始视频发出来的时候，想办法发动所有的你能发动的力量去点赞、评论、转发、把它播放完。

二、叠加推荐

我们自己能发动的力量毕竟有限，因此，当作品被推广到更大的范围以后，就不是我们能人工干预的了。既然评论量很重要，那在写视频的标题文案时，就应该考虑设置一些互动问题，引导用户留言评论。

但这里要提个醒：千万不要去刷流量。现在我们看淘宝上面有各种刷抖音流量、评论、点赞的店铺，千万不要去做这种事情，一定会被关小黑屋的，一定会。所以千万不要投机。

三、时间效应

有些视频拍出来之后没火，过几天、过一个星期，甚至过了个把月之后，这个视频却突然火了。所以这个推荐算法其实还是很有意思，它会“挖坟”，带火一些优质的老视频

所以比较看好的一些视频，即使它一开始没火，你也要持续去给它去做一些点赞评论，通过朋友圈去转发一下。有可能这个星期没有被推荐，但下个星期有可能就会被推荐。

(4)好友推荐算法扩展阅读：

是根据通讯录的好友来推荐的。抖音做实名制的时候都需要绑定手机号，同时抖音还会访问你的手机sim卡信息、通讯录信息，推荐你可能认识的人，这是大数据时代下很容易做的一件事情。

举一个例子，你抖音绑定了手机号，同时抖音访问了你的通讯录，检测到了你的朋友A／B／C。同时你的朋友A／B／C也在抖音上绑定了手机号，这样抖音就很容易推算出你是A／B／C的朋友。

还有就是比如自己在看宠物视频的时候点赞评论多并且停留时间长，看好几遍，那可能后面就为大家推荐的这种比较多；看唱歌跳舞的美女比较多，在后面就很有可能推荐更多的美女唱歌跳舞视频。

而且现在抖音的算法还在不断的细化、调整和升级，以后对于人群画像的区分就更加细致了，大家就很轻松能够找到自己喜欢看的人。

Ⅳ 快手的推荐你可能认识的人，是根据什么来推荐的

快手好友推荐基于三种逻辑：基础流量、叠加推荐和时间效应。

1、基本流程

快手为每一件作品提供了一个流池，无论你是大的还是好的质量。在此之后，你的分散程度取决于你的作品在池中的表现如何。因此，我们要珍惜这个流池，想办法使我们的工作在这个流池中有出色的表现。

快手将根据四个标准来评估您在流量池中的表现：大拇指向上量、评论量、转发量和广播完成率。考虑到这四个标准，我们需要开始使用你所能调动的所有力量来对视频进行点赞、评论、转发，以及在视频一开始就播放到最后。

2、叠加的建议

毕竟，我们自己能做的事情是有限的，所以当工作扩展到更大的规模时，就不需要我们手动干预了。因为评论数量是很重要的，所以在写视频标题时，你应该考虑设置一些互动问题来引导用户留下评论。

但这里有一个警告：千万不要去刷流量。现在我们看淘宝上面有各种刷抖音流量、评论、点赞的店铺，千万不要去做这种事情，一定会被关小黑屋的，一定会。所以千万不要投机。

3、时间的影响

有些视频在被拍摄后并没有引起轰动，但在几天、一周甚至一个月后，视频突然火了起来。这个推荐算法其实很有趣。它挖掘坟墓，点燃一些好的旧视频

所以有些你喜欢的视频，即使它们一开始不怎么流行，你仍然需要继续对它们做一些大拇指评论，并在你的时刻分享它们。这周可能不推荐，但下周可能会推荐。

(5)好友推荐算法扩展阅读：

快手的推荐是由地址簿中的朋友推荐的。快手在做实名制的时候，需要绑定电话号码。同时，快手还将访问您的手机SIM卡信息和通讯录信息，并推荐您可能认识的人。在大数据时代，这是一件容易的事情。

例如，您将您的电话号码与快手绑定，同时快手访问您的地址簿并检测您的朋友A／B／C。同时，你的朋友A／B／C也绑定了快手的电话号码，所以很容易推断出你是A／B／C的朋友。

也就是例如，在观看宠物视频时，竖起大拇指评论并停留较长时间，观看几次，那以后可能会为您推荐这种比较；现在有更多的美女唱歌跳舞，所以以后推荐更多的美女唱歌跳舞视频是很有可能的。

快手算法还在不断的完善、调整和升级中。在未来人群肖像的分类会更加详细，这样人们就可以很容易的找到自己喜欢的人。

Ⅵ 社交网络核心，推荐算法有哪些

对好友推荐算法非常熟悉，有些积累。好友推荐算法一般可以分为下面几类：
1、基于关系的推荐
基于关系的推荐，最近写了一个专栏文章，具体介绍了常用算法，可以看下有没有帮助，传送门：http://zhuanlan.hu.com/gongwenjia/20533434
简介：
a.社会网络中，三元闭包理论，以及常用推荐算法
b.Facebook中的推荐算法是如何做的
2、基于用户资料的推荐
3、基于兴趣的推荐
剩下两个方面有时间再写。
近来学习聚类，发现聚类中有一个非常有趣的方向—社交网络分析，分享一下我的大致了解。这篇只是一篇概况，并没有太多的公式推导和代码，基本是用人话解释社交网络分析中的常用的几种算法。详细到每个算法的以后有空再把详细的公式和代码补上。
社区发现算法，GN算法，Louvain算法，LPA与SLPA
Louvain算法思想
1.不断遍历网络中的节点，尝试把单个节点加入能使模块度提升最大的社区，直到所有节点不再改变
2.将第一阶段形成的一个个小的社区并为一个节点，重新构造网络。这时边的权重为两个节点内所有原始节点的边权重之和。
3.重复以上两步
LPA算法思想：
1.初始化每个节点，并赋予唯一标签
2.根据邻居节点最常见的标签更新每个节点的标签
3.最终收敛后标签一致的节点属于同一社区
SLPA算法思想：
SLPA是LPA的扩展。
1.给每个节点设置一个list存储历史标签
2.每个speaker节点带概率选择自己标签列表中标签传播给listener节点。（两个节点互为邻居节点）
3.节点将最热门的标签更新到标签列表中
4.使用阀值去除低频标签，产出标签一致的节点为社区。

Ⅶ 钉钉里新的好友里你可能认识的人是根据什么来推荐的

钉钉里的推荐好友一般是根据手机通讯录进行推荐的，更确切地说，应该是根据用户手机通讯录推荐其中已经注册登录的手机号给用户，当然了已经注册的是以注册后的用户名显示好友，没有更改的话就是手机号。

其实很多平台或者软件都有类似的推荐算法，当然了，推荐的具体算法可能并不一致，但一般都会以通讯录为一部分依据。有的则是根据大数据分析出喜好进行的同类推荐，比如短视频平台。